为解决CO2加氢制甲醇催化剂开发效率低的问题，构建并验证一种基于大语言模型 (Large Language Model,LLM)与深度学习的性能智能预测模型。首先，利用LLM设计结构化指令，实现了从大量文献中半自动化、高效率地提取多维催化剂数据；采用带梯度惩罚的Wasserstein生成对抗网络（WGAN⁃GP）对稀疏的原始数据集进行高质量增强，有效克服了数据量不足的瓶颈；在此基础上，经数据清洗、特征工程与降维处理后，采用超参数优化的多层感知机（Multi⁃layer Perceptron，MLP）构建了预测模型。结果表明，优化后的MLP模型在独立测试集上对CO2转化率与甲醇选择性的预测决定系数（R2）分别高达0.972 3和0.969 3。基于SHAP(SHapley Additive exPlanations)的特征分析结果表明，BET(Brunauer⁃Emmett⁃Teller)比表面积和铜基催化剂是影响催化性能的主导因素，且铟（In）基催化剂对金属质量分数具有独特依赖性。整合LLM与WGAN⁃GP的数据驱动模型可为新型催化剂的快速筛选与理性设计提供有力工具，展现了人工智能(Artificial Intelligence,AI)在催化研究中的巨大应用潜力。
